把CTA策略逻辑，对应合约品种，以及参数设置（可在策略文件外修改）载入到回测引擎中。

    载入历史数据

    负责载入对应品种的历史数据，大概有4个步骤：

    • 根据数据类型不同，分成K线模式和Tick模式；
    • 通过select().where()方法，有条件地从数据库中选取数据，其筛选标准包括：vt_symbol、 回测开始日期、回测结束日期、K线周期（K线模式下）；
    • order_by(DbBarData.datetime)表示需要按照时间顺序载入数据；
    • 载入数据是以迭代方式进行的，数据最终存入self.history_data。
    1.     def load_data(self):
    2.         """"""
    3.         self.output("开始加载历史数据")
    4.  
    5.         if self.mode == BacktestingMode.BAR:
    6.             s = (
    7.                 DbBarData.select()
    8.                 .where(
    9.                     (DbBarData.vt_symbol == self.vt_symbol) 
    10.                     & (DbBarData.interval == self.interval) 
    11.                     & (DbBarData.datetime >= self.start) 
    12.                     & (DbBarData.datetime <= self.end)
    13.                 )
    14.                 .order_by(DbBarData.datetime)
    15.             )
    16.             self.history_data = [db_bar.to_bar() for db_bar in s]
    17.         else:
    18.             s = (
    19.                 DbTickData.select()
    20.                 .where(
    21.                     (DbTickData.vt_symbol == self.vt_symbol) 
    22.                     & (DbTickData.datetime >= self.start) 
    23.                     & (DbTickData.datetime <= self.end)
    24.                 )
    25.                 .order_by(DbTickData.datetime)
    26.             )
    27.             self.history_data = [db_tick.to_tick() for db_tick in s]
    28.  
    29.         self.output(f"历史数据加载完成，数据量：{len(self.history_data)}")

    根据委托类型的不同，回测引擎提供2种撮合成交机制来尽量模仿真实交易环节：

    • 停止单撮合成交：（以买入方向为例）先确定是否发生成交，成交标准为委托价<= 下一根K线的最高价；然后确定成交价格，成交价格为委托价与下一根K线开盘价的最大值。

    下面展示在引擎中限价单撮合成交的流程：

    • 确定会撮合成交的价格；
    • 遍历限价单字典中的所有限价单，推送委托进入未成交队列的更新状态；
    • 判断成交状态，若出现成交，推送成交数据和委托数据；
    • 从字典中删除已成交的限价单。

    计算策略盈亏情况

    下面展示盈亏情况的计算过程

    • 浮动盈亏 = 持仓量 （当日收盘价 - 昨日收盘价） 合约规模
    • 实际盈亏 = 持仓变化量 （当时收盘价 - 开仓成交价） 合约规模
    • 总盈亏 = 浮动盈亏 + 实际盈亏
    • 净盈亏 = 总盈亏 - 总手续费 - 总滑点
    1.     def calculate_pnl(
    2.         self,
    3.         pre_close: float,
    4.         start_pos: float,
    5.         size: int,
    6.         rate: float,
    7.         slippage: float,
    8.     ):
    9.         """"""
    10.         self.pre_close = pre_close
    11.  
    12.         # Holding pnl is the pnl from holding position at day start
    13.         self.start_pos = start_pos
    14.         self.end_pos = start_pos
    15.         self.holding_pnl = self.start_pos * \
    16.             (self.close_price - self.pre_close) * size
    17.  
    18.         # Trading pnl is the pnl from new trade during the day
    19.         self.trade_count = len(self.trades)
    20.  
    21.         for trade in self.trades:
    22.             if trade.direction == Direction.LONG:
    23.                 pos_change = trade.volume
    24.             else:
    25.                 pos_change = -trade.volume
    26.  
    27.             turnover = trade.price * trade.volume * size
    28.  
    29.             self.trading_pnl += pos_change * \
    30.                 (self.close_price - trade.price) * size
    31.             self.end_pos += pos_change
    32.             self.commission += turnover * rate
    33.             self.slippage += trade.volume * size * slippage
    34.  
    35.         # Net pnl takes account of commission and slippage cost
    36.         self.total_pnl = self.trading_pnl + self.holding_pnl
    37.         self.net_pnl = self.total_pnl - self.commission - self.slippage

    calculate_statistics函数是基于逐日盯市盈亏情况（DateFrame格式）来计算衍生指标，如最大回撤、年化收益、盈亏比、夏普比率等。

    统计指标绘图

    • 资金曲线图
    • 资金回撤图
    • 每日盈亏图
    • 每日盈亏分布图
    1.     def show_chart(self, df: DataFrame = None):
    2.         """"""
    3.         if not df:
    4.             df = self.daily_df
    5.  
    6.         if df is None:
    7.             return
    8.  
    9.         plt.figure(figsize=(10, 16))
    10.  
    11.         balance_plot = plt.subplot(4, 1, 1)
    12.         balance_plot.set_title("Balance")
    13.         df["balance"].plot(legend=True)
    14.  
    15.         drawdown_plot = plt.subplot(4, 1, 2)
    16.         drawdown_plot.set_title("Drawdown")
    17.         drawdown_plot.fill_between(range(len(df)), df["drawdown"].values)
    18.  
    19.         pnl_plot = plt.subplot(4, 1, 3)
    20.         pnl_plot.set_title("Daily Pnl")
    21.         df["net_pnl"].plot(kind="bar", legend=False, grid=False, xticks=[])
    22.  
    23.         distribution_plot = plt.subplot(4, 1, 4)
    24.         distribution_plot.set_title("Daily Pnl Distribution")
    25.         df["net_pnl"].hist(bins=50)
    26.  
    27.         plt.show()
    • 导入回测引擎和CTA策略
    • 设置回测相关参数，如：品种、K线周期、回测开始和结束日期、手续费、滑点、合约规模、起始资金
    • 载入策略和数据到引擎中，运行回测。